🚀 Swin Transformer (基础大小模型)
Swin Transformer 是在 ImageNet-1k 数据集上以 384x384 分辨率训练的模型。它能有效处理图像分类等视觉任务,为相关领域研究和应用提供了强大工具。
🚀 快速开始
Swin Transformer 模型在 ImageNet-1k 数据集上以 384x384 分辨率进行训练。它由 Liu 等人在论文 Swin Transformer: Hierarchical Vision Transformer using Shifted Windows 中提出,并首次在 此仓库 发布。
声明:发布 Swin Transformer 的团队并未为此模型编写模型卡片,此卡片由 Hugging Face 团队编写。
✨ 主要特性
Swin Transformer 是一种视觉变换器(Vision Transformer)。它通过在更深的层合并图像块(灰色部分所示)来构建分层特征图,并且由于仅在每个局部窗口(红色部分所示)内计算自注意力,因此对输入图像大小具有线性计算复杂度。因此,它可以作为图像分类和密集识别任务的通用主干网络。相比之下,之前的视觉变换器仅产生单一低分辨率的特征图,并且由于全局计算自注意力,对输入图像大小具有二次计算复杂度。

来源
📚 详细文档
预期用途和限制
你可以使用原始模型进行图像分类。请查看 模型中心,以查找针对你感兴趣的任务进行微调的版本。
如何使用
以下是如何使用此模型将 COCO 2017 数据集的图像分类为 1000 个 ImageNet 类别之一的示例:
from transformers import AutoFeatureExtractor, SwinForImageClassification
from PIL import Image
import requests
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/swin-base-patch4-window12-384")
model = SwinForImageClassification.from_pretrained("microsoft/swin-base-patch4-window12-384")
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("预测类别:", model.config.id2label[predicted_class_idx])
更多代码示例,请参考 文档。
BibTeX 引用和引用信息
@article{DBLP:journals/corr/abs-2103-14030,
author = {Ze Liu and
Yutong Lin and
Yue Cao and
Han Hu and
Yixuan Wei and
Zheng Zhang and
Stephen Lin and
Baining Guo},
title = {Swin Transformer: Hierarchical Vision Transformer using Shifted Windows},
journal = {CoRR},
volume = {abs/2103.14030},
year = {2021},
url = {https://arxiv.org/abs/2103.14030},
eprinttype = {arXiv},
eprint = {2103.14030},
timestamp = {Thu, 08 Apr 2021 07:53:26 +0200},
biburl = {https://dblp.org/rec/journals/corr/abs-2103-14030.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
📄 许可证
本模型采用 Apache-2.0 许可证。